AWS-сервисы ИИ и их подсервисы для AIF-C01: что делает каждый и как его использовать

Экзамен AIF-C01 не просит вас что-либо создавать. Он проверяет, можете ли вы выбрать правильный AWS-сервис под задачу и объяснить, что он делает. Это звучит просто, пока вы не осознаете, что у AWS есть около дюжины ИИ-сервисов, а два самых крупных - Amazon Bedrock и Amazon SageMaker AI - каждый содержит по дюжине собственных подсервисов. Большинство людей заучивают лишь громкие названия и попадаются на сценарии, которые упираются в выбор между Knowledge Bases и тонкой настройкой, или между Ground Truth и Data Wrangler.

Это подробная версия: каждый сервис и каждый подсервис в рамках AIF-C01, с описанием того, что это, зачем он нужен и как вы на самом деле его использовали бы. Он длинный намеренно - воспринимайте его как справочник, который вы просматриваете по разделам, а не как историю, которую читают от начала до конца. Если вам сначала нужна более короткая карта "какой сервис относится к какому домену экзамена", прочитайте сопутствующий пост Каждый AWS-сервис на экзамене AIF-C01, а затем вернитесь сюда за деталями по подсервисам.

Ментальная модель: пять способов использовать ИИ на AWS

Прежде чем перейти к списку сервисов, держите в голове эту рамку. Каждый вопрос об ИИ на экзамене на самом деле спрашивает: "какой из этих пяти уровней подходит?"

• Управляемые ИИ-API (Comprehend, Rekognition, Textract и так далее) - предобученные, узкоспециализированные. Вы отправляете данные, вы получаете результат. Никакого выбора модели, никакого обучения.
• Amazon Bedrock - управляемый доступ к базовым моделям плюс инструментарий для создания приложений генеративного ИИ (RAG, агенты, ограждения). Вы выбираете модель и компонуете поведение; вы не управляете серверами.
• Amazon SageMaker AI - полноценная платформа для создания собственной модели. Вы готовите данные, обучаете, настраиваете, развертываете и мониторите пользовательские модели.
• Amazon Q - готовые продукты-ИИ-ассистенты. Вы не выбираете модель и не настраиваете векторное хранилище; AWS уже это сделала.
• PartyRock - площадка без кода для обучения и прототипирования приложений генеративного ИИ.

Экзамен постоянно проверяет границы между ними. Держите уровень в уме, читая описание каждого сервиса ниже.

Amazon Bedrock

Что это. Полностью управляемый сервис, который дает вам единый API для вызова базовых моделей от многих поставщиков, плюс набор встроенных инструментов для создания приложений генеративного ИИ поверх них. Никакой инфраструктуры, никакого хостинга моделей - вы отправляете подсказки, вы получаете ответы.

Зачем он нужен. Приложениям генеративного ИИ нужно больше, чем просто модель: им нужна привязка к приватным данным, средства контроля безопасности, оркестрация и оценка. Bedrock объединяет все это за бессерверными API, чтобы вы создавали приложение, а не сантехнику.

Как его использовать. Выберите модель, протестируйте ее на площадке, затем добавьте нужные подсервисы (Knowledge Bases для RAG, Guardrails для безопасности, Agents для действий) и вызывайте все это из вашего приложения через API или SDK.

Foundation models

Каталог моделей, которые вы можете вызывать. Вы не привязаны к одному поставщику - выбор правильной модели по стоимости, задержке и возможностям является ключевым экзаменационным навыком.

• Amazon Titan - собственные модели Amazon: Titan Text, Titan Text Embeddings (для векторного поиска RAG), Titan Image Generator и Titan Multimodal Embeddings.
• Amazon Nova - более новое семейство моделей Amazon (рассматривается в отдельном разделе ниже).
• Anthropic Claude - мощные модели общего назначения для рассуждений и работы с длинным контекстом.
• Meta Llama, Mistral, Cohere, AI21 Labs (Jamba), Stability AI (генерация изображений) и другие.

Знайте, что "базовая модель" - это крупная предобученная модель, которую вы адаптируете с помощью подсказок, RAG или тонкой настройки, а не что-то, что вы обучаете с нуля.

Bedrock playgrounds

Что/зачем. Консоли для чата, текста и изображений в интерфейсе для проверки моделей и подсказок без кода. Здесь вы сравниваете модели и настраиваете параметры вывода (temperature, top-p, max tokens), прежде чем что-либо подключать.

Как использовать. Откройте площадку, выберите модель, дорабатывайте подсказку, затем перенесите выигрышную модель и настройки в ваше приложение.

Knowledge Bases

Что/зачем. Управляемая возможность генерации с дополненной выборкой (RAG). Она соединяет базовую модель с вашими приватными документами, чтобы ответы были привязаны к вашим данным - без тонкой настройки.

Как использовать. Укажите ей на источник данных (например, S3), и она разбивает документы на фрагменты, генерирует эмбеддинги, сохраняет их в векторном хранилище и извлекает релевантные фрагменты для внедрения в подсказку во время запроса. Она автоматически отслеживает цитаты. Каноничный ответ экзамена на "привязать модель к приватным данным без переобучения" - это Knowledge Bases (RAG).

Agents

Что/зачем. Дать базовой модели способность выполнять действия - вызывать API, запускать многошаговые рабочие процессы, обращаться к Knowledge Base - вместо простого возврата текста.

Как использовать. Определите "группы действий" (инструменты и API, которые модель может вызывать, часто на основе Lambda), и Agents выполняет цикл "рассуждение-действие-наблюдение". Если сценарий требует, чтобы ассистент что-то посмотрел, а затем что-то сделал (проверить заказ, обновить запись), ответ - Agents, а не обычный вывод.

Guardrails

Что/зачем. Настраиваемый уровень политики между пользователем и моделью, который обеспечивает соблюдение требований безопасности и ответственного ИИ.

Как использовать. Включите нужные вам средства защиты: фильтры контента (ненависть, насилие и так далее), запрещенные темы, которые вы задаете, фильтры слов, редактирование чувствительной информации (PII) на входах и выходах, а также проверки контекстной привязки для снижения галлюцинаций. Это декларативно - никакого пользовательского кода. Guardrails применяются к моделям, Agents, Knowledge Bases и Flows.

Flows

Что/зачем. Визуальный конструктор с малым объемом кода для объединения компонентов Bedrock в один именованный рабочий процесс.

Как использовать. Перетаскивайте подсказки, Knowledge Bases, Agents, Guardrails, функции Lambda и условную логику во флоу, затем вызывайте все это одним вызовом API. Используйте его, когда вам нужна оркестрация без написания связующего кода.

Prompt Management

Что/зачем. Каталог подсказок с версионированием, чтобы команды переиспользовали и сравнивали их вместо вставки строк в код.

Как использовать. Храните подсказки как версионируемые ресурсы, тестируйте варианты и ссылайтесь на них из приложений и Flows. Работает в паре с Model Evaluation, чтобы измерять, какая версия работает лучше.

Model Evaluation

Что/зачем. Встроенная оценка качества модели и RAG, чтобы выбор модели измерялся, а не угадывался.

Как использовать. Запускайте автоматические оценки (метрики вроде точности, устойчивости, токсичности) или привлекайте рецензентов-людей и сравнивайте модели или версии подсказок на своих данных.

Custom models (тонкая настройка и продолженное предобучение)

Что/зачем. Когда подсказок и RAG недостаточно, адаптируйте модель под свою предметную область.

Как использовать. Тонкая настройка обучает модель на размеченных примерах; продолженное предобучение адаптирует ее к большому объему неразмеченного отраслевого текста. Результат - приватная пользовательская модель, которую вы обслуживаете через Bedrock. Экзамен хочет, чтобы вы знали: тонкая настройка меняет модель, тогда как RAG оставляет модель нетронутой и предоставляет контекст во время запроса.

Provisioned Throughput

Что/зачем. Режим тарификации и мощности. Тарификация по требованию взимает плату за токен без обязательств; Provisioned Throughput резервирует выделенную мощность для стабильных, высокообъемных или пользовательских рабочих нагрузок.

Как использовать. Выбирайте Provisioned Throughput, когда вам нужна гарантированная пропускная способность или обслуживание пользовательской модели; в остальных случаях режим по требованию используется по умолчанию.

Другие возможности Bedrock, которые стоит распознавать

• Batch inference - запуск больших заданий офлайн по более низкой стоимости.
• Cross-Region inference - маршрутизация запросов между регионами для мощности и отказоустойчивости.
• Model invocation logging - отправка журналов подсказок и ответов в CloudWatch или S3 для аудита.
• Bedrock Data Automation - извлечение и преобразование неструктурированного контента (документы, изображения, аудио, видео) в структурированный вывод.
• Bedrock Marketplace - доступ к специализированным и новым моделям за пределами основного каталога.

Amazon Bedrock AgentCore

Что это. Более новый набор сервисов для запуска ИИ-агентов в продакшене, независимо от того, какой фреймворк или модель их создали. Bedrock Agents помогает вам создать агента; AgentCore помогает эксплуатировать его в масштабе.

Зачем он нужен. Прототипы агентов ломаются в продакшене - им не хватает памяти, безопасного доступа к инструментам, идентичности и наблюдаемости. AgentCore предоставляет их как управляемые строительные блоки, которые вы внедряете независимо.

Как его использовать. Выберите нужные вам компоненты:

• Runtime - бессерверный хостинг для кода агента или инструмента с изоляцией сессий.
• Memory - постоянный контекст между сессиями, чтобы агент помнил.
• Gateway - предоставляет ваши API и функции Lambda агенту как вызываемые инструменты.
• Identity - дает каждому агенту идентичность рабочей нагрузки и управляет его доступом к внешним сервисам (интегрируется с Cognito, Okta, Entra ID).
• Code Interpreter - песочница для запуска кода агентом.
• Browser - веб-просмотр без графического интерфейса для агента.
• Observability - трассировка и мониторинг поведения агента.

Для AIF-C01 распознавайте AgentCore как уровень "вывести агента в продакшен"; вам не нужно создавать его.

Amazon Nova

Что это. Собственное семейство базовых моделей Amazon, обслуживаемое через Bedrock.

Зачем оно нужно. Чтобы предложить мощные возможности при низкой предсказуемой цене и задержке для текста, изображений и видео.

Как его использовать. Выберите уровень, подходящий под задачу:

• Nova Micro - только текст, самая низкая стоимость и задержка.
• Nova Lite - недорогая мультимодальная (ввод текста, изображений, видео).
• Nova Pro - сбалансированная мультимодальная модель для большинства задач.
• Nova Premier - самая способная и хороший "учитель" для дистилляции меньших пользовательских моделей.
• Nova Canvas - генерация изображений.
• Nova Reel - генерация видео.
• Nova Sonic - речь-в-речь; Nova Act - агентные действия в браузере.

Amazon SageMaker AI

Что это. Сквозная платформа для создания, обучения, развертывания и мониторинга ваших собственных моделей машинного обучения. Это уровень "создать пользовательскую модель" - противоположный конец от управляемых API.

Зачем она нужна. Некоторым задачам нужна модель, обученная на ваших данных, с полным контролем над жизненным циклом. SageMaker AI предоставляет каждый этап как управляемую возможность, чтобы командам не приходилось собирать собственную ML-инфраструктуру.

Как ее использовать. Для AIF-C01 вы используете SageMaker концептуально: знайте, что делает каждый подсервис и когда он применяется. От вас не ожидают написания кода обучения.

SageMaker Studio

Веб-IDE и центр управления - блокноты, эксперименты и доступ ко всем остальным возможностям SageMaker в одном месте.

SageMaker JumpStart

Каталог предобученных базовых моделей и моделей для конкретных задач с развертыванием в один клик и блокнотами для тонкой настройки. Воспринимайте это как развертывание готовой модели в вашей собственной учетной записи и эндпоинте - в отличие от вызова размещенного API через Bedrock.

SageMaker Canvas

ML без кода для аналитиков. Загрузите набор данных, выберите цель, и Canvas создаст модель и сгенерирует прогнозы. Он также может использовать базовые модели Bedrock для генеративных задач - все без написания кода.

Data Wrangler

Визуальная подготовка данных. Импортируйте из многих источников, применяйте сотни встроенных преобразований, анализируйте и экспортируйте подготовленные данные в конвейер обучения. Это шаг "очистить и придать форму данным".

Feature Store

Централизованное хранилище для признаков (входов модели), которые проектируют ваши команды, с онлайн-хранилищем для вывода с низкой задержкой и офлайн-хранилищем для обучения. Предотвращает повторный пересчет одних и тех же признаков каждой командой.

Ground Truth (и Ground Truth Plus)

Разметка данных. Ground Truth управляет рабочими процессами человеческой и автоматизированной разметки для построения обучающих наборов данных; Ground Truth Plus - полностью управляемая версия под управлением AWS с командой экспертов. Размеченные данные - это то, что нужно для обучения с учителем.

Clarify

Обнаружение смещения и объяснимость. Он измеряет смещение в данных и в прогнозах модели между группами и вычисляет атрибуции признаков (какие входы повлияли на прогноз, с использованием SHAP). Это именованный ответ на "обнаружить смещение" и "объяснить модель" в сценариях ответственного ИИ.

Model Monitor

Непрерывный мониторинг моделей в продакшене. Он обнаруживает дрейф данных, дрейф качества модели, дрейф смещения и дрейф атрибуции признаков и поднимает оповещения - чтобы вы заметили деградацию модели раньше, чем пользователи.

Autopilot

Автоматизированное машинное обучение (AutoML). Укажите ему на набор данных, и он исследует алгоритмы, обучает и настраивает модели-кандидаты автоматически, затем выделяет лучшую. Путь к обученной модели без тяжелой ручной работы.

Pipelines

Оркестрация MLOps. Определите повторяемый рабочий процесс - подготовить, обучить, оценить, зарегистрировать, развернуть - как конвейер, чтобы доставка модели была автоматизированной и воспроизводимой.

Model Registry и Model Cards

Model Registry версионирует обученные модели и управляет утверждением для развертывания. Model Cards документируют назначение модели, данные, производительность и ограничения для управления. Оба поддерживают ответственный, аудируемый ML.

Варианты вывода

Как вы обслуживаете обученную модель, сопоставленную с шаблоном трафика:

• Real-time endpoints - постоянное, с низкой задержкой, всегда работающее обслуживание.
• Serverless inference - масштабируется до нуля при прерывистом трафике; нет мощности для управления.
• Asynchronous inference - ставит в очередь большие или долго выполняющиеся запросы.
• Batch transform - оценивает весь набор данных офлайн, эндпоинт не нужен.

Знание того, какой вариант вывода подходит под сценарий (стабильный трафик против всплесков против массового), - это повторяющийся экзаменационный шаблон.

Управляемые ИИ-сервисы (API для конкретных задач)

Предобученные сервисы, которые решают один вид задачи без обучения или управления моделью. Экзамен проверяет выбор правильного под сценарий использования.

Amazon Comprehend

Что/зачем/как. Обработка естественного языка над текстом: тональность, сущности, ключевые фразы, определение языка, тематическое моделирование и обнаружение PII, плюс пользовательская классификация и пользовательское распознавание сущностей. Отправьте текст, получите структурированные результаты. Ответ на "проанализировать отзывы клиентов" или "найти PII в тексте".

Amazon Textract

Что/зачем/как. Понимание документов сверх базового OCR - он извлекает текст, пары "ключ-значение", таблицы и поля из PDF и сканов, со специализированным анализом для счетов, чеков и документов, удостоверяющих личность. Ответ на "извлечь структурированные данные из форм".

Amazon Rekognition

Что/зачем/как. Компьютерное зрение для изображений и видео: обнаружение объектов и сцен, анализ и сравнение лиц, модерация контента, текст на изображениях и Custom Labels для ваших собственных категорий. Ответ на "проанализировать изображения без ML-команды".

Amazon Transcribe

Что/зачем/как. Автоматическое преобразование речи в текст с идентификацией говорящих, пользовательским словарем, пользовательскими языковыми моделями, редактированием PII, потоковой передачей в реальном времени и медицинским вариантом. Часто в паре с Comprehend: расшифровать звонок, затем проанализировать тональность.

Amazon Polly

Что/зачем/как. Преобразование текста в речь с нейронными и генеративными голосами на многих языках, управляемое с помощью SSML для произношения и темпа. Ответ на "преобразовать текст в естественную речь".

Amazon Translate

Что/зачем/как. Нейронный машинный перевод между многими языками, с пользовательской терминологией для отраслевых формулировок, в реальном времени и пакетный. Ответ на "перевести контент без обучения модели".

Amazon Lex

Что/зачем/как. Создание разговорных ботов с автоматическим распознаванием речи и пониманием естественного языка: определите намерения и слоты, выполняйте с помощью Lambda, отвечайте голосом через Polly. Это структурированный фреймворк чат-ботов на основе намерений - сопоставьте его с Bedrock Agents для открытых, использующих инструменты ассистентов.

Amazon Personalize

Что/зачем/как. Управляемые рекомендации и персонализация в реальном времени, построенные на той же технологии, что стоит за Amazon.com. Подайте ему данные о взаимодействиях; получите рекомендации, персонализированное ранжирование и сегменты пользователей - без модели рекомендаций, которую нужно строить.

Amazon Q

Что это. Готовые продукты-ИИ-ассистенты AWS. Ключевая идея для экзамена: Q - это продукт, а не набор инструментов. Вы не выбираете модель, не управляете подсказками и не строите векторное хранилище - AWS это сделала.

• Amazon Q Developer - ассистент по кодированию и AWS в вашей IDE и консоли: генерация кода, отладка, отслеживание ссылок, вопросы о ресурсах AWS и помощь по стоимости или CLI (ранее CodeWhisperer).
• Amazon Q Business - корпоративный ассистент, который отвечает на вопросы, привязанные к данным вашей компании (например, SharePoint, Confluence, Salesforce), с учетом разрешений в ответах.
• Встроенные разновидности, которые вы можете увидеть по названиям: Q in QuickSight (бизнес-аналитика), Q in Connect (контакт-центр) и Q Apps.

Как использовать / экзаменационный ракурс. Выбирайте Q, когда требование - "использовать ИИ, ничего не создавая"; выбирайте Bedrock, когда вам нужно настраивать и создавать собственное приложение.

PartyRock

Что это. Веб-площадка без кода (на базе Bedrock) для создания приложений генеративного ИИ путем описания их на обычном языке. Она работает вне AWS Console и не требует учетной записи AWS.

Зачем она нужна. Чтобы позволить любому изучить генеративный ИИ и инженерию подсказок на практике и быстро прототипировать идеи приложений.

Как ее использовать. Вы компонуете приложение из виджетов - пользовательский ввод, статический текст и виджеты генерации текста, генерации изображений или чат-бота на базе ИИ. Вы связываете их, ссылаясь на вывод одного виджета внутри подсказки другого с помощью знака @ (динамические переменные), так что выводы перетекают от виджета к виджету. Отлично подходит для формирования интуиции, прежде чем вы прикоснетесь к самому Bedrock.

Вспомогательные сервисы в рамках экзамена

Не специфичные для ИИ, но проверяются в сценариях безопасности, управления, стоимости и данных. Знайте, для чего каждый; вам не нужны глубокие детали конфигурации.

• Безопасность, идентичность и соответствие требованиям: IAM (доступ с наименьшими привилегиями, например ограничение того, какие модели Bedrock может вызывать роль), KMS (ключи шифрования для данных, артефактов моделей и журналов), Macie (обнаружение чувствительных данных и PII на основе ML в S3), Amazon Inspector (сканирование уязвимостей), Secrets Manager (управляемые секреты), AWS Artifact (отчеты о соответствии по требованию).
• Управление и руководство: CloudTrail (журнал аудита API), CloudWatch (метрики, журналы, оповещения; журналы вызовов Bedrock и метрики эндпоинтов), AWS Config (конфигурация ресурсов и соответствие требованиям), Trusted Advisor (проверки лучших практик), AWS Well-Architected Tool (обзор рабочих нагрузок по фреймворку).
• Хранилище: Amazon S3 (озеро данных для обучающих данных, документов и артефактов), S3 Glacier (архивирование).
• Вычисления: Amazon EC2 (включая семейства инстансов с GPU и ускорителями; AWS Trainium для обучения и AWS Inferentia для вывода), AWS Lambda (бессерверный связующий код для конвейеров и действий агентов).
• Контейнеры: Amazon ECS и Amazon EKS для контейнеризированных рабочих нагрузок.
• Базы данных и векторные хранилища: Amazon OpenSearch Service (векторный поиск k-NN для RAG), Amazon Aurora и Amazon RDS (реляционные, с pgvector для эмбеддингов), Amazon DynamoDB (ключ-значение), Amazon Neptune (граф), Amazon DocumentDB, Amazon ElastiCache.
• Аналитика и подготовка данных: AWS Glue и Glue DataBrew (ETL и подготовка), Amazon EMR (обработка больших данных), AWS Lake Formation (управление озером данных), Amazon Redshift (хранилище), AWS Data Exchange (сторонние данные), Amazon Quick / QuickSight (бизнес-аналитика).
• Сеть: Amazon VPC (включая шаблоны PrivateLink, чтобы держать трафик вне интернета), Amazon CloudFront (доставка контента).
• Стоимость: AWS Budgets и AWS Cost Explorer (отслеживание и прогнозирование расходов - актуально, потому что управление стоимостью генеративного ИИ есть на экзамене).

Новые дополнения в рамках экзамена, которые стоит распознавать

AWS обновила список в рамках экзамена, поэтому несколько названий новее, чем большинство учебных материалов:

• Amazon Bedrock AgentCore и Amazon Nova (рассмотрены выше).
• Kiro - агентная среда разработки на основе спецификаций (IDE и CLI), которая превращает подсказки в спецификации, код и документацию.
• Strands Agents - SDK с открытым исходным кодом для создания и оркестрации ИИ-агентов на AWS.
• AWS Transform - агентный верстак для миграции в облако и модернизации приложений.
• Руководство по экзамену теперь пишет Amazon SageMaker AI (а не просто "SageMaker"). Та же платформа, обновленное название.

Явно вне рамок экзамена: пропустите это

AWS перечисляет их как вне рамок AIF-C01, поэтому не тратьте учебное время на них:

• Машинное обучение: AWS DeepComposer, AWS HealthImaging, AWS HealthOmics, Amazon Monitron, AWS Panorama.
• Безопасность и сеть: Amazon GuardDuty, AWS Security Hub, Amazon Cognito, AWS WAF, AWS Shield, Amazon Route 53.
• Управление: AWS Control Tower, AWS Organizations.
• Плюс большинство сервисов Internet of Things, Media, а также Migration and Transfer.

Если практический вопрос упирается в один из них, это почти наверняка отвлекающий вариант.

Замечание о наименованиях и дрейфе рамок

Горстка сервисов появляется в старых учебных материалах AIF-C01 (и в некоторых банках вопросов), но их нет в текущем официальном списке в рамках экзамена. Вы все еще можете видеть ссылки на них; вот для чего каждый, кратко:

• Amazon Q - продукты-ИИ-ассистенты выше; повсеместны на практике, хотя их нет в формальной таблице сервисов в рамках экзамена.
• Amazon Kendra - корпоративный поиск на основе ML (только выборка, в отличие от Knowledge Bases, которые выбирают и генерируют).
• Amazon Augmented AI (A2I) - добавляет человеческую проверку для ИИ-прогнозов с низкой уверенностью.
• AWS Audit Manager - автоматизирует сбор доказательств соответствия требованиям.
• AWS Fargate, Amazon EventBridge, Amazon API Gateway - бессерверные вычисления, обработка событий и API-сантехника, на которых часто строятся ИИ-приложения.

Поймите, что они делают на уровне одного предложения, и двигайтесь дальше.

30-секундное руководство по решению

По сценарию сопоставьте его с уровнем:

• Вызвать базовую модель по API -> Bedrock
• Привязать модель к приватным данным без переобучения -> Bedrock Knowledge Bases (RAG)
• Позволить модели выполнять действия -> Bedrock Agents
• Добавить средства контроля безопасности и PII -> Bedrock Guardrails
• Запускать агентов в продакшене (память, инструменты, идентичность) -> Bedrock AgentCore
• Использовать ИИ, ничего не создавая -> Amazon Q
• Учиться или прототипировать без кода -> PartyRock
• Обучить или настроить пользовательскую модель -> SageMaker AI
• Развернуть готовую модель самостоятельно -> SageMaker JumpStart
• Разметить данные -> Ground Truth; подготовить данные -> Data Wrangler; хранить признаки -> Feature Store
• Обнаружить смещение или объяснить модель -> SageMaker Clarify
• Мониторить модель в продакшене -> SageMaker Model Monitor
• Анализировать текст / изображения / документы / речь / перевод / чат-боты / рекомендации -> соответствующий управляемый API
• Защищать, шифровать, сканировать, аудировать или мониторить -> IAM / KMS / Macie / CloudTrail / CloudWatch

Связанные сертификации

Это руководство относится к нескольким сертификациям AWS - оно появляется в разделе "Связанные учебные руководства" на каждом из их хабов:

• AWS Certified AI Practitioner (AIF-C01) - основная цель; каждый сервис здесь входит в ее рамки.
• AWS Certified Machine Learning Engineer Associate (MLA-C01) - глубже погружается в SageMaker AI, подготовку данных и MLOps.
• AWS Certified Generative AI Developer Professional (AIP-C01) - строится на Bedrock, Agents, Knowledge Bases и Guardrails.
• AWS Certified Cloud Practitioner (CLF-C02) - базовая; слегка затрагивает эти ИИ-сервисы.
• AWS Certified Data Engineer Associate (DEA-C01) - сервисы подготовки данных и аналитики (Glue, Data Wrangler, Feature Store) напрямую пересекаются.

Как это изучать

Не заучивайте каждую возможность. Экзамен вознаграждает распознавание шаблонов: прочитайте сценарий, определите уровень, назовите сервис. Прогоняйте практические вопросы с открытым 30-секундным руководством по решению, и каждый раз, когда вы промахиваетесь, возвращайтесь к разделу этого сервиса здесь и читайте "что-зачем-как", пока граница не станет ясной. Разберитесь с подсервисами Bedrock и подсервисами SageMaker - именно там экзамен разделяет тех, кто пробежался по верхам, и тех, кто понял.

Источник: руководство по экзамену AWS Certified AI Practitioner (AIF-C01) (списки сервисов в рамках и вне рамок экзамена) и документация сервисов AWS, по состоянию на сентябрь 2026 года.